Documente Academic
Documente Profesional
Documente Cultură
Restaurare Imagini
Restaurare Imagini
restaurata
original
blurata
Restaurarea
Reconstruieste originalul folosind modelul
de degradare
Proces invers celui de degradare
Presupune utilizarea unui criteriu obiectiv
de calitate a restaurarii pentru estimatul
optim
astronomie
imagini medicale
domenii tiinifice
fotografie etc.
f (i,j)
F (u,v)
d (i,j)
f (i,j) * d (i,j)
F (u,v) D (u,v)
D (u,v)
n (i,j)
N (u,v)
g (i,j)
G(u,v)
M 1 N 1
0i M1,
0 j N1
G (u , v ) = F (u , v ) D (u , v ) + N (u , v )
u,v = frecvente
10
Modelul:
Blurarea imaginii este modelat ca o convoluie
a imaginii ideale cu nucleul spaial d(i, j)
( PSF Point Spread Function -funcia de
mprtiere a punctului- care este raspunsul
filtrului de degradare, presupus invariant spatial,
la delta Dirac bidimensional).
11
Filtrul de degradare
Filtrul de degradare d este in general
un filtru trece jos, avand zerouri in
frecventa ( frecvente spatiale in care
functia de transfer a filtrului se
anuleaza).
12
1/ 9 1/ 9 1/ 9
1/ 9 1/ 9 1/ 9
1/ 9 1/ 9 1/ 9
13
14
1/ 25 1/ 25 1/ 25 1/ 25 1/ 25
1/ 25 1/ 25 1/ 25 1/ 25 1/ 25
1/ 25 1/ 25 1/ 25 1/ 25 1/ 25
1/ 25 1/ 25 1/ 25 1/ 25 1/ 25
1/ 25 1/ 25 1/ 25 1/ 25 1/ 25
15
16
Spectrele:
Degradat cu d1
original
Degradat cu d2
17
Modelul de zgomot:
Zgomot alb
Independent de semnalul util
Caracterizat de energia sa, care se presupune
cunoscuta:
Er = r 2 (i, j )
i
18
Er
f
(estimare optima, intr-un sens pe care trebuie
sa-l precizam, a imaginii originale)
20
Filtrul invers
M1N1
G (u , v ) = F (u , v ) D (u , v ) + N (u , v )
Ideea: neglijarea zgomotului
G (u , v ) = F (u , v ) D (u , v )
Q (u , v ) = D 1 (u , v )
u, v
21
F (u , v ) = Q (u , v )G (u , v ) = D 1 (u , v )G (u , v)
22
Filtrul invers
M1N1
G (u , v ) = F (u , v ) D (u , v ) + N (u , v )
f(i, j)
2 = E{( g f * d ) 2 } min
23
N 1 N 1
i =0 j =0
N 1 N 1
u =0 v =0
G (u , v ) = F (u , v ) * D (u , v )
F (u , v ) = D 1 (u , v ) * G (u , v )
Q (u , v ) = D 1 (u , v )
24
u, v
Dar:
G (u , v ) = F (u , v ) D (u , v ) + N (u , v )
25
Spectru pt D
Filtru de degradare d1:
1/ 9 1/ 9 1/ 9
1/ 9 1/ 9 1/ 9
1/ 9 1/ 9 1/ 9
Spectru pt Q
26
27
Spectru pt D
Filtru de degradare d2:
1/ 25 1/ 25 1/ 25 1/ 25 1/ 25
1/ 25 1/ 25 1/ 25 1/ 25 1/ 25
1/ 25 1/ 25 1/ 25 1/ 25 1/ 25
1/ 25 1/ 25 1/ 25 1/ 25 1/ 25
1/ 25 1/ 25 1/ 25 1/ 25 1/ 25
Spectru pt Q
28
blurata
original
G (u , v ) = F (u , v ) D (u , v ) + N (u , v )
Q (u , v ) = D 1 (u , v )
u, v
F (u , v ) = F (u , v ) + D 1 (u , v ) N (u , v )
u, v
1
Termenul D (u, v) N (u, v) are valori extrem de mari.
30
original
Degradata cu d1 si zg aditiv
Degradata cu d1
31
Qinv (u , v ) = D (u , v )
0
D (u , v ) = 0
32
D(u, v) >
D(u, v)
33
original
34
Blurata+zgomot
Spectrele imaginilor
original
blurata si cu zg
35
N (u, v)
D(u, v)
Scopul principal:
soluia obinut s fie, pe de o parte, apropiata de imaginea
originala
s fie mai puin sensibil la zgomot.
Aceste cerine sunt contradictorii i de aici apare necesitatea
realizrii unui compromis.
Filtrul invers produce rezultate neutilizabile.
36
37
Se presupune ca in modelul
g (i, j ) = f (i, j ) * d (i, j ) + n (i, j )
g (i, j ) =
M 1 N 1
f (i, j ) d (i p , j q ) + n (i, j )
p=0 q=0
G (u , v ) = F (u , v ) D (u , v ) + N (u , v )
sunt cunoscute:
En = n(i, j )
i =0 j =0
38
{g (i , j ) ( f * d )( i , j )} = E
M 1 N 1
i =0 j =0
39
M 1 N 1
f ( p , q )c (i p , j q ) min
i =0 j =0 p =0 q =0
M 1 N 1
Unde
40
1
MN
1
MN
M 1 N 1
G (u , v ) F (u , v ) D (u , v )
u =0 v=0
M 1 N 1
= En
min
C (u , v ) F (u , v )
u =0 v=0
unde:
E zg
1
=
MN
M 1 N 1
N (u, v )
u=0 v=0
41
u=0 v=0
min
42
Scriind :
F(u, v) min
= 0
A (u , v )
= 0
B (u , v )
43
F * (u , v) = A(u , v) jB (u , v)
x = a + jb
2
x = a2 + b2
2
x = xx*
2
xy = x y
( x + y )* = x * + y *
(xy )* = x* y *
xy * + x * y = 2 Re{xy * } = 2 Re{x* y}
44
xy * x * y = 2 j Im{xy * } = 2 j Im{x* y}
2
= 2 C (u , v ) A (u , v ) + 2 A (u , v ) D (u , v )
A (u , v )
G (u , v ) D * (u , v ) + G * (u , v ) D (u , v ) = 0
2
= 2 C (u , v ) B (u , v ) + 2 B (u , v ) D (u , v )
B (u , v )
+ j G (u , v ) D * (u , v ) G * (u , v ) D (u , v ) = 0
45
A (u , v ) =
Re {G ( u , v ) D * ( u , v ) }
2
2
C (u , v ) + D (u , v )
Im {G ( u , v ) D * ( u , v ) }
B (u , v ) =
2
2
C (u , v ) + D (u , v )
46
2
= 2 C (u , v )
A (u , v ) 2
2
= 2 C (u , v )
B (u , v ) 2
2
= 0
A (u , v ) B (u , v )
+ 2 D (u , v )
+ 2 D (u , v )
2
= 0
B (u , v ) A (u , v )
Rezulta ca functia are minim.
47
Re {G ( u , v ) D * ( u , v ) }
A (u , v ) =
2
2
C (u , v ) + D (u , v )
Im {G ( u , v ) D * ( u , v ) }
B (u , v ) =
2
2
C (u , v ) + D (u , v )
F ( u , v ) =
D * (u , v )G (u , v )
2
C (u , v ) + D (u , v )
= Q (u , v )G (u , v )
2
D (u , v )
1
Q (u , v ) =
D (u , v ) C (u , v ) 2 + D (u , v )
48
D (u , v )
1
Q (u , v ) =
D (u , v ) C (u , v ) 2 + D (u , v )
Iar
1
En =
MN
=
1
MN
M 1 N 1
N (u , v )
u =0 v=0
M 1 N 1
G ( u , v ) F ( u , v ) D ( u , v )
u =0 v=0
49
En =
1
MN
M 1 N 1
u =0 v=0
1
En =
MN
50
G (u , v )
M 1 N 1
u =0 v=0
D (u , v )G (u , v )
*
C (u , v ) 2 + D (u , v )
2
G (u , v ) C (u , v )
{C ( u , v
va fi determinat iterativ.
+ D (u , v )
2 2
D (u , v )
D (u, v )
1
Q (u, v ) =
D (u , v ) C (u , v ) 2 + D (u , v ) 2
En
1
=
MN
M 1 N 1
u=0 v=0
G (u , v )
{C ( u , v
C (u , v )
+ D (u , v )
Filtrul Wiener
realizeaz o mbuntire optima a imaginii n
sens statistic, n sensul minimizrii erorii ptratice
medii dintre imaginea restaurat i imaginea
original, folosind informaii apriorice despre
imagine i despre zgomotul din imagine;
imaginea si zgomotul sunt presupuse campuri
stationare.
52
ff (m, n ) = E [ f (s, t ) f (s m, t n )]
nn (m, n ) = E [n(s, t )n(s m, t n )]
53
Filtrul Wiener:
min (MSE), unde
(
(
)
)
2
MSE = E f (i, j ) f (i, j ) =
1 M 1 N 1
(i, j ) 2
f
(
i
,
j
)
MN i = 0 j = 0
54
E f ( i , j ) f ( i , j )
)
2
min
f (i, j ) = g (i m, j n) q ( m, n)
m
55
]
]
E [ f 2 ( i , j ) ] E f ( i , j ) f ( i , j )
E f ( i , j ) f ( i , j ) + E f 2 ( i , j ) min
56
] [
ff (0,0 ) ff (0,0 )
= ff (u , v ) ff (u , v ) ff (u , v ) + ff (u , v ) min
57
58
ff (u , v ) = F (u , v) F * (u , v ) = F (u , v )
f ( m, n) = q ( m, n) * g ( m, n)
g ( m , n ) = f ( m, n ) * d ( m , n ) + n ( m, n )
(u , v ) = F (u , v ) F * (u , v)
ff
ff (u , v ) = F (u , v )Q * (u , v )G * (u , v)
ff (u , v ) = Q * (u , v ) F (u , v ) D * (u , v ) F * (u , v ) + N * (u , v )
ff (u , v ) = Q * (u , v ) D * (u , v) F (u , v) F * (u , v)
ff (u , v ) = Q * (u , v ) D * (u , v) ff (u , v )
59
F (u , v ) = Q (u , v )G (u , v ) = Q (u , v )[ F (u , v ) D (u , v ) + N (u , v )
ff (u , v ) = Q (u , v )[ F (u , v ) D (u , v ) + N (u , v )] F * (u , v )
ff (u , v ) = Q (u , v ) D (u , v ) ff (u , v )
60
F (u , v ) = Q (u , v )G (u , v ) =
= Q (u , v )[ F (u , v ) D (u , v ) + N (u , v )]
ff (u , v ) = {Q (u , v )[ F (u , v ) D (u , v ) + N (u , v )]}
{Q (u , v )[ F (u , v ) D (u , v ) + N (u , v )]}* =
ff (u , v ) = Q (u , v )
{D(u, v)
ff (u , v ) + nn (u , v )
61
= ff (u , v ) ff (u , v ) ff (u , v ) + ff (u , v ) min
k
} } min
62
Q (u , v ) = A(u , v ) + jB (u , v )
= 0;
A(u , v )
= 0;
B (u , v )
63
= D * (u , v ) ff (u , v ) D (u , v ) ff (u , v ) +
A(u , v )
+ 2 A(u , v ) D (u , v ) ff (u , v ) + nn (u , v ) = 0;
2
= jD * (u , v ) ff (u , v ) jD (u , v ) ff (u , v ) +
B (u , v )
+ 2 B (u , v ) D (u , v ) ff (u , v ) + nn (u , v ) = 0;
64
A(u , v ) =
B (u , v ) =
Re D * (u , v ) ff (u , v )
D (u , v ) ff (u , v ) + nn (u , v )
2
Im D * (u , v ) ff (u , v )
D (u , v ) ff (u , v ) + nn (u , v )
2
D (u , v ) ff (u , v )
1
Q (u , v ) =
D (u , v ) D (u , v ) 2 ff (u , v ) + nn (u , v )
2
65
D (u , v ) ff (u , v )
1
Q (u , v ) =
D (u , v ) D (u , v ) 2 ff (u , v ) + nn (u , v )
2
66
Observatii:
densitatea spectrala de putere a semnalului util (imaginea
originala) este in general necunoscuta si trebuie estimata.
Un mod simplu (nu foarte precis ):
ff (u , v ) = F (u , v ) F * (u , v ) = F (u , v )
2
G (u , v) 2 N (u , v) 2
daca
G (u , v ) N (u , v )
in
rest
67
rr (u, v) N (u, v) = ct
2
68
Metode directe
Filtrul invers
Qinv (u , v) =
Filtrul Wiener
1
D (u , v)
2
D(u, v)
1
Qw(u, v) =
=
(u, v) D(u, v)
2 (u, v)
D(u, v) D*(u, v) + nn
D(u, v) + nn
ff (u, v)
ff (u, v)
D*(u, v)
D * (u , v )
2
D (u , v ) + C (u , v )
D (u , v )
1
=
D (u , v ) D (u , v ) 2 + C (u , v ) 2
69
H (u , v ) =
unde
(u , v )
M = nn
ff (u , v )
C (u , v ) 2
70
D * (u , v )
D (u , v )
+ M
pt
filtrul invers
pt
filtrul Wiener
pt
filtrul invers
cu
constrange ri